一、分箱
：數據分箱（也稱爲離散分箱或者分段）是一種數據預處理的方法，用於減少次要觀察誤差的影響，是一種將多個連續值分爲較少數量的分箱的方法。
1.1離散化：
，把無限空間中有限的個體映射到有限的空間中去，以此提高算法的時空效率。
通俗的說，離散化是在不改變數據相對大小的條件下，對數據進行相應的縮小。例如：
原數據：1,999,100000,15；處理後：1,3,4,2；
原數據：{100,200}，{20,50000}，{1,400}；
處理後：{3,4}，{2,6}，{1,5}；
1.2一般在建立分類模型時，需要對連續變量離散化，特徵離散化後，模型會更穩定，降低了模型過擬合的風險。
具體來說：
- 離散特徵的增加和減少都很容易，易於模型的快速迭代
- 稀疏向量內乘積運算速度快，
- 離散化後特徵對異常值數據有很強的魯棒性Robust：比如一個特徵年齡>30是1，否則是0.如果特徵沒有離散化，一個異常值數據‘年齡300歲’會給模型造成很大的干擾
- 邏輯回歸屬於廣義的線性模型，表達能力受限；單變量離散化爲N個後，每個變量有單獨的權重，相當於爲模型引入了非線性，能夠提升模型表達能力，加大擬合
- 離散化後可以進行特徵交叉，由M+N個變量，進一步引入非線性，提升表達能力；
二、分箱方法：
2.1有監督分箱
- 卡方分箱：自底向上的（）
- 最小熵分箱
2.2無監督分箱
- 等距分箱：從最小值到最大值之間，均分爲N等份，這樣，如果A，B爲最小值最大值，則每個區間的長度爲W=（B-A）/N，這裏只考慮邊界，每個等分裏面的實力數量可能不等
- 等頻分箱：區間的邊界值要經過選擇,使得每個區間包含大致相等的實例數量。比如說 N=10 ,每個區間應該包含大約10%的實例。